盖世汽车讯 一名徒步者在森林中迷路，冬季天气即将来临。搜救行动必须快速、全面且高效。救援人员派出一架自主机器人无人机，但它该如何判断自己应该飞向哪里？据外媒报道，德克萨斯大学奥斯汀分校麦库姆斯商学院信息、风险与运营管理系助理教授Rohan Ghuge开展的一项新研究或许能给出答案。

无人驾驶车辆正成为一个快速增长的产业。市场研究公司Grand View Research统计，2025年全球无人驾驶车辆市场规模达到293亿美元，预计到2033年将增长至676亿美元。其应用领域十分广泛，包括军事监视、包裹配送、科学研究和商业农业等。

不同应用场景都面临一个共同挑战：如何为车辆规划行进路线。车辆一开始可能只掌握需要搜索区域的大致范围，但随着获取的信息越来越多，原先的规划也需要随之调整。

Rohan Ghuge想知道，究竟需要多少信息才足以做出调整。他问道：“你到底需要多少数据，才能说，‘好了，现在该停下来了。我需要改变想法，改变一直在走的路线了。’”

图片来源：Unsplash / CC0公有领域

动态调整路线

Rohan Ghuge表示，当搜索人员不知道目标物体或其他数据具体位于何处时，路径规划大致存在两种极端情况。

在完全自适应模型中，车辆首先按照预设路线行驶，然后根据获取到的每一条新信息实时调整路线，比如根据拍摄到的森林某一区域的照片改变行进方向。

另一端则是非自适应模型：路线一旦确定，无论之后获得什么新信息，都不会改变。

两种模型各有优缺点。完全自适应模型能够规划出更优路线，但不断重新计算路径需要更多时间和计算资源。非自适应模型可能更快，但由于不会根据新信息调整路线，完成目标的效果可能较差，比如找到迷路的徒步者。

对于无人驾驶车辆来说，还要考虑电池续航以及数据上传频率等实际问题。

Rohan Ghuge与密歇根大学的Rayen Tan和Viswanath Nagarajan合作，希望找到准确性与效率之间的最佳平衡点。

搜索速度更快

研究人员测试了一种介于非自适应模型和完全自适应模型之间的混合模型。该模型先让机器人按照指定路线行驶，只有在每一段路线结束后——研究人员称之为一个“轮次”（round）——才重新计算路径。相关论文《Informative Path Planning With Limited Adaptivity》（有限自适应的信息路径规划）已发表于期刊《INFORMS Journal on Computing》。

第一轮采用非自适应方式，之后的轮次则逐步提高自适应程度。通过计算机模拟，研究团队发现：

* 采用两轮自适应的混合模型，搜索速度是完全自适应模型的15倍。

* 两轮自适应搜索的成本仅比类似的完全自适应搜索高12%。

* 超过前三轮后，准确率并没有明显提升。

Rohan Ghuge说道：“你其实不需要所有数据，也能做出不错的决策。如果是按轮次依次进行搜索，两三轮就足够了。”

对于希望快速解决问题的企业或机构而言，无论是开展搜救行动，还是帮助公用事业公司定位停电故障源，以小幅成本增加换取更快的响应速度，都可能带来巨大的优势。

Rohan Ghuge说道：“不断重新规划本身可能成本很高。当机器人只需要改变几次解决方案时，依然可以获得完全自适应方案的大部分优势。这种方式更加实用，而且只需付出少量额外成本。”